量化交易策略：四大類型與各自的測試方法

目錄

1. 量化交易策略有哪些主要類型？
2. 量化策略和一般技術分析有什麼不同？
3. 如何把交易想法變成可測試的規則？
4. 要有多少筆交易，結果才有意義？
5. 如何回測量化策略並檢查樣本外表現？
6. 量化策略通常在哪裡失敗？
7. 常見問題
8. 參考文獻

量化交易策略有哪些主要類型？

量化交易策略分成四大類型：趨勢跟隨、均值回歸、突破與動能。每一種都是由電腦對每根 K 棒套用的固定規則，規定何時進場、何時出場、持有多少。類型決定測試要先檢查什麼：獲利集中度、每筆成本、假突破或週轉率。

量化交易策略是一整套寫成文字的交易規則，電腦可以直接套用在歷史與即時價格上，中間不需要人為決定。量化交易策略與系統化交易策略是同一件事的兩種稱呼。以下四個類型涵蓋了多數散戶期貨交易者在跑的規則，而一種類型賺錢的方式，決定了它失敗的方式，所以每一種的測試起點都不同。

類型	趨勢跟隨	均值回歸	突破	動能
押注什麼	價格沿目前方向繼續走	價格回到平均	價格離開區間後繼續走	近期的贏家繼續贏
典型交易形態	少數大賺、多數小賠	多數小賺、少數大賠	兩者混合	與趨勢相近
典型持有時間	數天至數週	數小時至數天	數小時至數天	數週至數月
測試時先檢查什麼	獲利集中度	每筆成本	假突破比率	週轉率

趨勢跟隨與動能關係相近。在期貨中，動能通常指：一個市場自己過去數週或數月的報酬為正時做多、為負時放空；Moskowitz、Ooi 與 Pedersen（2012）在許多期貨市場研究這條規則，並稱之為時間序列動能。趨勢跟隨則對價格路徑的形狀反應，例如移動平均線或通道，通常交易較頻繁。均值回歸押注相反的方向：賣出強勢、買進弱勢，預期回到近期平均。突破交易是趨勢跟隨的進場端寫成單一事件：價格離開定義好的區間。這五種期貨演算法交易策略類型可對應到這幾個類型，S&P 500 期貨交易策略的規則類型則把它們放在同一個市場上呈現。

量化策略和一般技術分析有什麼不同？

量化策略使用的指標與看圖的人相同，但每個決定都寫成電腦對每根 K 棒套用的規則，所以結果可以計數、重複與測試；憑主觀看圖則做不到。技術分析是閱讀過去的價格與成交量（通常在圖表上），以決定下一步。差別不在工具。20 日移動平均線在兩個畫面上是同一條線。差別在於決定是否取決於看圖的那個人。

問題	看圖判讀	量化規則
誰決定進場？	交易者，看著圖表	寫好的條件，每根 K 棒檢查
出場在進場前就定義好了嗎？	常常沒有	一定有
能數出 10 年的交易筆數嗎？	不能，每次判讀都不同	能，電腦接受每個訊號
兩個人能得到相同結果嗎？	少有	能，只要資料與設定相同
能用從未見過的資料檢查嗎？	只能往前實際交易	能，用樣本外期間

所以憑眼睛交易的圖形，沒有回測紀錄，量化規則有。看圖的人接了一些訊號、略過一些，理由難以寫下來，所以無法公平地計算漏掉的部分。電腦全部接受，包括不好的，這正是重點：不好的有多少，就是你需要的資訊。同樣的邏輯也適用於執行，程式交易的定義與成本有說明；電腦能測試的規則，電腦也能交易。

如何把交易想法變成可測試的規則？

在第一次執行前，把進場、出場、部位大小、商品、K 棒週期與成本都寫下，想法就可以測試，回測就沒有需要詮釋的空間。多數想法一開始是一句話，像是「在上升趨勢中買回檔」。回測無法用這句話執行，它需要依序固定六個決定：

1. 用一句話寫出想法，並點名類型。「在上升趨勢中買回檔」是趨勢濾網內的均值回歸。點名類型，就知道先做哪個測試。
2. 選擇商品與 K 棒週期。單一指數期貨的日 K 棒，每月有幾筆交易；5 分鐘 K 棒，每天有幾筆。K 棒週期決定交易筆數與成本負擔；扣除成本後檢驗當沖策略顯示日內選擇改變多少。
3. 寫出進場規則與參數範圍。「收盤高於 20 日平均線，且持續 2 根 K 棒」是規則。「回看長度 10 到 50」是搜尋可以嘗試的範圍。參數越少，自欺的方式越少。
4. 寫出出場規則。出場是結束交易的條件：反向訊號、停損、停利或時間限制。沒有出場，策略就不完整。
5. 固定部位大小與成本。一口，每筆有明確的手續費與明確的滑價。成本在第一次執行前放進去，不是之後。
6. 寫下通過或不通過的門檻。例如：至少 200 筆交易，扣除成本後的平均每筆損益高於來回成本的三倍，任一單季的獲利不得多於總獲利的三分之一。在第一次執行前寫好，讓結果無法移動標準。

最後有個實用檢查：把寫好的規則交給別人，問他是否能在不問你任何問題的情況下，在圖上標出每一筆交易。如果他需要問，規則就還沒寫完。

要有多少筆交易，結果才有意義？

用扣除成本後已完成的交易筆數來判斷結果，而不是用年數或淨損益；只有幾十筆交易的結果只是線索，需要更多證據，不是結論。原因在於平均值的行為。35 筆交易算出的平均，只要三筆交易改變，就可能大幅移動。幾百筆交易算出的平均幾乎不動。這裡只需要一條公式：

平均每筆損益的不確定度 = 單筆交易的離散程度 ÷ √N

單筆交易的離散程度是一筆交易的結果通常偏離平均多遠（標準差）。N 是已完成的交易筆數，√N 是它的平方根。因為平方根成長得慢，要把不確定度減半，需要四倍的交易筆數。

一個真實的回測說明這件事為何重要。以下回測由 AlphaPrime（Valynox）在 2019-01-02 至 2025-06-30 的 NQ 日 K 棒上執行，多空皆做，一口。它只以標準差通道規則作為進出場，這是用標準指標組成的替身，用來說明交易筆數的問題，並不是對四種類型中任何一種的測試。呈現的候選策略，是搜尋在嘗試的 1,024 個中留下的那一個，依報酬對回撤比挑選。

這個方框有三件事要讀。第一，六年半裡 35 筆交易：$3,324.57 的平均每筆損益落在寬廣的不確定帶之內，所以接下來的 35 筆可能看起來截然不同。第二，最大回撤 $110,535 幾乎與淨損益 $116,360 一樣大，這是幾乎一直持有部位（在市場中的時間 95.01%）、經歷 2020 與 2022 年波動的部位的形狀。第三，這個結果是 1,024 個候選策略中最好的，事後挑出，而這樣的挑選讓它看起來更好；規則並沒有以讀者可以期待重複的任何意義賺到這筆錢。方框確實說明了報表該怎麼讀：先看交易筆數，再看平均每筆損益對照成本，最後才看獲利。

如何回測量化策略並檢查樣本外表現？

從第一次執行就帶入手續費、滑價與下一根 K 棒成交，再用搜尋從未碰過的資料評判固定下來的規則，通過或不通過的標準要在看結果前寫好。量化策略回測，是把寫好的規則在過去價格上重播，並計入每一項成本。它有三個部分，必須保持分開。

1. 用真實的交易摩擦回測。每筆交易的手續費與滑價，與結果使用相同幣別，成交在訊號後的下一根 K 棒。規則在收盤決定、又在同一個收盤價成交，用的是它無法成交的價格。
2. 只在歷史較早的一段上搜尋。樣本內資料是用來挑選規則與設定的部分。樣本外資料是留下來、在規則固定後只跑一次的部分。常見的時間切分是 70:30 到 80:20；樣本內與樣本外資料的切分說明切分日期與樣本外要多少才夠。
3. 用上面第 6 步的門檻評判樣本外結果。通過或不通過。因為樣本外曲線看起來偏弱就修改設定，會把那段資料變成樣本內資料，評判也就失效。

好結果的樣子：樣本外斜率比樣本內平緩，但仍為正，回撤大小相近，多數季度都有貢獻。壞結果的樣子：曲線在切分日走平或轉下，或一個月占了大部分獲利。出現一些下滑是正常的，因為樣本內結果是多次嘗試中最好的，帶著新資料沒有的加成。AlphaPrime 的策略檢驗讓你在搜尋前一次設定這些門檻，候選策略一旦未通過其中一項，就停止後續檢查，因此樣本外資料被較少的候選策略看過，更接近未被碰過的狀態。

量化策略通常在哪裡失敗？

兩個常見的失敗點，是把眾多變體中最好的那個留下來並當成實力，以及平均每筆損益小到撐不過真實成本；只要去找，兩者在任何實單交易前都看得到。過度最佳化，是把策略調到太貼合某一段歷史，使它描述的是那一段的雜訊，而不是可重複的模式。它不需要大量參數，只需要大量嘗試，加上留下一個贏家。

想像一千個人各擲十次硬幣。總會有人擲出九次正面。如果你接著聘請這個人當硬幣專家，下一個十次會讓你失望。在 1,024 個候選策略上搜尋也是同樣道理：留下的那一個一部分是真實模式，一部分是運氣最好的一次，而樣本內的數字無法告訴你比例。Bailey、Borwein、López de Prado 與 Zhu（2014）指出，隨著嘗試次數增加，最佳回測的預期樣本外結果會下降，他們後來的論文（2017）提供了估計留下的候選策略有多大可能過度最佳化的方法。Harvey 與 Liu（2015）得到相同結論，並建議依結果背後的測試次數來打折。這些研究整理在最漂亮的回測為何通常被高估。

第二種失敗比較隱微。毛平均每筆損益只有幾個跳動點的策略，因為交易頻繁，扣成本前看起來平滑，也因為同樣的原因在扣成本後虧損。檢查只要一次除法：扣除成本後的平均每筆損益除以一買一賣（來回）成本。許多系統化交易者的經驗法則是，毛平均每筆損益要是來回成本的數倍，這樣滑價小幅上升時，優勢才不會被抹去。如何設定手續費與滑價，以及為何高頻候選策略最先失敗，見回測裡的交易成本。均值回歸類型在這點上最容易受傷，因為它每筆的獲利天生就小。

三項檢查可以在任何實單交易前，抓出多數這兩種失敗：

1. 相鄰設定。如果 20 根 K 棒的回看長度表現好，而 18 與 22 表現不佳，那 20 就是雜訊。
2. 移除最大的幾筆交易。拿掉五筆最大的獲利。趨勢規則會縮水，但不該變成負值。
3. 滑價加倍。用兩倍滑價重跑。失敗的規則原本就靠便宜的成交。

實際的下一步：選一個你已經憑眼睛交易的想法，寫出第三節的六個決定，包括通過或不通過的門檻，在單一市場的日 K 棒上計入成本執行，先數已完成的交易筆數，再讀獲利那一行。如果筆數少於一百，第一件事是更多資料，不是更好的規則。

常見問題

什麼是量化交易策略？

量化交易策略是一整套寫成文字的交易規則，由電腦套用在價格上，中間不需要人為決定。多數屬於四大類型之一：趨勢跟隨、均值回歸、突破與動能。因為每個決定都是規則，策略可以在過去價格上回測、逐筆計數，並用它從未見過的資料檢查。

趨勢跟隨與動能有什麼差別？

兩者都押注走過的方向會繼續走。期貨中的動能通常指：一個市場自己過去數週或數月的報酬為正時做多、為負時放空，持有時間為數週至數月。趨勢跟隨則對價格路徑的形狀反應，例如移動平均線交叉或通道突破，通常交易較頻繁、持有較短。兩者的大部分獲利都來自少數幾筆大交易，所以都應該移除最大的獲利交易來測試。

35 筆交易足以評判量化策略嗎？

不夠。平均每筆損益的不確定度隨交易筆數的平方根縮小，所以 35 筆交易讓平均值仍寬廣未定，接下來的 35 筆可能看起來截然不同。少於約一百筆交易的結果，視為蒐集更多資料的理由：更長的歷史、更小的 K 棒週期或推進分析的設計。許多系統化交易者要先有數百筆樣本外交易，才會相信每筆數字。

測試量化交易策略需要會寫程式嗎？

不一定。規則必須精確到電腦能對每根 K 棒套用，但有好幾種軟體無需撰寫程式即可接受規則，策略生成軟體也能把帶有參數範圍的想法變成候選策略並測試。無法省略的是書寫的部分：進場、出場、部位大小、商品、K 棒週期、成本，以及第一次執行前定好的通過或不通過門檻。

為什麼通過回測的量化策略，實單交易仍然失敗？

兩個常見原因，只要去找，回測裡都看得到。第一，這個策略是眾多變體中最好的，而眾多中的最好帶有挑選的加成，新資料不會重複。第二，扣除成本後的平均每筆損益太小，撐不過比回測假設稍差的成交。實單交易前檢查相鄰設定、移除最大的幾筆交易、把滑價加倍，能抓出多數這兩種情況。

參考文獻

• Bailey, D. H., Borwein, J., López de Prado, M., & Zhu, Q. J. (2014). Pseudo-Mathematics and Financial Charlatanism: The Effects of Backtest Overfitting on Out-of-Sample Performance. Notices of the American Mathematical Society, 61(5), 458–471.
• Bailey, D. H., Borwein, J., López de Prado, M., & Zhu, Q. J. (2017). The Probability of Backtest Overfitting. Journal of Computational Finance, 20(4), 39–69.
• Harvey, C. R., & Liu, Y. (2015). Backtesting. The Journal of Portfolio Management, 42(1), 13–28.
• Moskowitz, T. J., Ooi, Y. H., & Pedersen, L. H. (2012). Time Series Momentum. Journal of Financial Economics, 104(2), 228–250.